[논문 리뷰] WebCryptoAgent: Agentic Crypto Trading with Web Informatics

Ali Osman Kurban, Wei Luo외 5명|arXiv (Cornell University)|2026. 01. 08.

Blockchain Technology Applications and Security인용 수 0

한 줄 요약

WebCryptoAgent는 웹 정보를 활용한 추론과 빠른 리스크 관리를 결합한 두 계층의 메모리 확장 반사적 트레이딩 프레임워크를 제안하여 안정성과 위험 조정된 암호화폐 트레이딩 성능을 향상시킵니다.

ABSTRACT

Cryptocurrency trading increasingly depends on timely integration of heterogeneous web information and market microstructure signals to support short-horizon decision making under extreme volatility. However, existing trading systems struggle to jointly reason over noisy multi-source web evidence while maintaining robustness to rapid price shocks at sub-second timescales. The first challenge lies in synthesizing unstructured web content, social sentiment, and structured OHLCV signals into coherent and interpretable trading decisions without amplifying spurious correlations, while the second challenge concerns risk control, as slow deliberative reasoning pipelines are ill-suited for handling abrupt market shocks that require immediate defensive responses. To address these challenges, we propose WebCryptoAgent, an agentic trading framework that decomposes web-informed decision making into modality-specific agents and consolidates their outputs into a unified evidence document for confidence-calibrated reasoning. We further introduce a decoupled control architecture that separates strategic hourly reasoning from a real-time second-level risk model, enabling fast shock detection and protective intervention independent of the trading loop. Extensive experiments on real-world cryptocurrency markets demonstrate that WebCryptoAgent improves trading stability, reduces spurious activity, and enhances tail-risk handling compared to existing baselines. Code will be available at https://github.com/AIGeeksGroup/WebCryptoAgent.

연구 동기 및 목표

• 극심한 변동성 하에서 자율적이고 다중 모달하며 견고한 암호화폐 트레이딩의 필요성을 제시한다.
• 전략적 추론을 고주파 위험 제어와 분리하는 두 계층 아키텍처를 제안한다.
• 재훈련 없이 자기 개선을 가능하게 하는 맥락적 반사와 경험 재생을 도입한다.
• 노출을 보정하고 충격에 대응하는 계층적 위험 관리 모듈을 개발한다.
• 실험을 통해 기준 대비 향상된 안정성과 위험 조정 성능을 입증한다.

제안 방법

• 다중 모달 입력(뉴스, 소셜, 시장)에 대한 전략적 LLM 기반 추론, 메모리 재생을 통한 맥락적 반사, CEX/DEX와의 인터페이스 실행 계층으로 구성된 3-요소 파이프라인을 구현한다.
• OHLCV와 지표가 포함된 시장 스냅샷 D_t를 사용하고, 메모리 B에서 TopK 유사 경험 E_t를 검색하며, LLM f_LL M를 통해 A_t = {b_t, c_t, m_t, rho_t}를 생성한다.
• 상태 의존적 히스테시스를 적용하여 방향을 안정화하고, 적응 임계값 theta_adopt와 theta_hold를 사용하며 매 8시간마다 바이어스 리프레시한다.
• 맥락적 반사 및 경험 재생(CER)을 포함하여 거래 후 튜플을 형성하고, 임베딩을 증류하고, 감소하는 재생 버퍼에 저장하며, 향후 추론을 상위 K개의 유사 경험에 조건화한다.
• 빠른 충격을 모니터링하기 위해 테크니컬 쇼크 가드를 배치하고 전략적 행동을 재정의할 수 있다.
• 실행 전 ATR 기반 포지션 규모 산정, 상태 의식적 위험 제어, 분수형 Kelly 사이징, 서킷 브레이커, 노출 한도, 비용 게이트를 활용한다.
• 메모리 활성화 구성이 메모리 비활성화 구성과 비교하여 BTCUSDT, ETHUSDT, POLUSDT를 평가한다.

실험 결과

연구 질문

• RQ1 WebCryptoAgent가 기준선 대비 고변동성 암호화폐 시장에서 안정성을 높이고 잘못된 활동을 감소시키는가?
• RQ2 메모리 확장 반사적 추론을 갖춘 두 계층 아키텍처가 수익성 및 최대 손실 관리에 어떤 영향을 미치는가?
• RQ3 맥락적 반사(CER)가 의사결정의 일관성과 계층별 성능에 미치는 영향은 무엇인가?
• RQ4 빠른 쇼크 동안 재앙적 손실을 방지하는 데 Tactical Shock Guard의 효과는 어느 정도인가?
• RQ5 메모리 활성화 대 비활성화 구성 간에 다양한 암호화폐 쌍과 LLM 백본에서의 트레이드-오프는 무엇인가?

주요 결과

모델	메모리	거래수	승률	총 수익	최대 손실	샤프	에쿼티 최종
GPT-5.2	On	23	0.61	0.0115	0.0464	0.21	10115
GPT-5.2	Off	27	0.56	-0.0659	0.1461	-0.67	9341
Gemini Flash	On	26	0.42	-0.1155	0.1732	-1.27	8845
Gemini Flash	Off	50	0.46	-0.1579	0.2553	-0.89	8421
DeepSeek Chat	On	10	0.50	0.0529	0.0742	0.76	10529
DeepSeek Chat	Off	29	0.66	0.1365	0.0728	1.19	11365
Qwen-Max	On	36	0.64	0.1016	0.1139	0.80	11016
Qwen-Max	Off	42	0.62	-0.0436	0.2378	-0.17	9564

• 메모리 활성화 구성은 모델 백본에 따라 크기와 방향이 달라지는 다른 성능 결과를 낳는다.
• BTCUSDT: 메모리 온은 GPT-5.2에서 양의 총 수익과 보통 수준의 최대 손실을 보이는 반면, 메모리 오프는 일부 모델에서 더 낮은 수익과 더 높은 손실을 보인다.
• ETHUSDT 및 POLUSDT 결과는 모델 및 메모리에 의존하는 패턴을 나타내며, 일부 백본은 메모리 오프에서 음의 수익을 메모리 온에서 양의 수익으로 바꾸고, 다른 경우는 반대 경향을 보인다.
• BTCUSDT, ETHUSDT, POLUSDT 전반에서 메모리가 의사결정 맥스를 향상시키고 수익성 및 위험 지표에 대해 모델별로 다르게 영향을 미칠 수 있다.
• 두 계층 아키텍처와 별도의 빠른 쇼크 보호 메커니즘은 전략적 추론과 위험 제어의 결합을 해제하여 로버스트니스를 향상시킨다.